CN108566227B - 一种多用户检测方法 - Google Patents

Abstract

本发明公开了一种多用户检测方法，包括：将基站接收到的信号按照GMM聚类算法分为L类；给信号噪声建立一个由L个高斯加权的混合高斯模型；利用3层的稀疏贝叶斯学习方法，通过接收到的信号，利用L个高斯模型加权的混合高斯模型恢复出发射信号α的估计值，并输出该发射信号的估计值。本发明利用用户发射信号的稀疏性和受干扰子载波的稀疏性，把多用户检测问题转化为稀疏信号恢复的问题。既解决了远近效应问题，又降低了系统对功率控制精度的要求，因此可以更加有效地利用上行链路频谱资源,显著提高系统容量。

Description

一种多用户检测方法

技术领域

本发明涉及无线通信技术领域，特别是涉及一种多用户检测方法。

背景技术

目前第四代移动通信的主流是采用正交频分多址(Orthogonal FrequencyDivision Multiplexing，简称OFDM)系统。正交多址要求发送端的载波之间相互正交，减少多径带来的干扰，但是也大大降低了频谱利用率。

非正交频分多址(Non-Orthogonal Multiple Access，简称NOMA)技术是第五代移动通信的关键技术之一。面对未来无线网络密集海量接入和超大容量的需求，在频谱资源受限的情况下，非正交多址接入技术被视为下一代移动通信的演进趋势和突破方向。

相较于传统的OMA技术，NOMA技术在系统容量和频谱利用率方面都有了很大的提高。与现有4G体系中OFDM技术相比，NOMA的一个子信道不再是单独分配给一个用户，而是多个用户共享。这极大地提高了频谱利用率和传输效率。与3G体系中的CDMA技术相比，NOMA的子信道之间采用正交传输，有效地解决了3G场景中的远近效应问题。

但是NOMA技术的信号在发送端采取非正交发送，主动引入干扰信息，势必会导致接收端的多址干扰问题。这就需要一种有效的多用户检测方法，充分利用造成多址干扰的所有用户信号信息对单个用户的信号进行检测。

现有的多用户检测方法在考虑信道中的噪声时，简单的把它当作高斯噪声来处理。而我们知道实际上信道噪声是非常复杂且非高斯的。它包含诸如拉普拉斯噪声，脉冲噪声等，往往不是一种分布函数可以准确描述的。因为任何一种分布都可以用混合高斯分布无限逼近，所以本发明基于此提出一种有效的多用户检测方法。

发明内容

为了解决NOMA系统中信号非正交带来的多址干扰问题，本发明提供了一种有效的多用户检测方法，对信道中的噪声进行混合高斯建模。另外，本发明还利用了用户发射信号的稀疏性和受干扰子载波的稀疏性，把多用户检测问题转化为稀疏信号恢复的问题，采用稀疏贝叶斯学习算法来恢复发射信号。

本发明的目的是通过下述技术方案来实现的。

一种多用户检测方法，包括下述步骤：

步骤A、将基站接收到的信号按照GMM聚类算法分为L类；给噪声建立一个由L个高斯加权的混合高斯模型；

步骤B、利用3层的稀疏贝叶斯学习方法，通过接收到的信号y₁,y₂,…,y_N，利用L个高斯加权的混合高斯模型恢复出发射信号的估计值并输出该发射信号的估计值。

本发明上述技术方案中，还包括进一步限定的方案：

所述步骤A包括：

A1、先给信号的L类选一个相对大的值；

A2、使用GMM聚类算法把接收信号y₁,y₂,…,y_N聚成L类，并计算出每个类的均值μ₁,μ₂,…,μ_L和方差σ₁ ²,σ₂ ²,…,σ_L ²；

A3、检查是否有存在两个噪声分量十分类似，即

其中，threshold1,threshold2是聚类算法的预设门限值。

如果满足以上两个条件，令L＝L-1；

A4、重复执行A2，A3两步，直至L的值不再变化，输出L值；

A5、对噪声v建立了一个混合高斯模型：

其中w_i是第i个高斯的加权系数，L是高斯分量的个数，表示复高斯函数，λ_i ^-1I是第i个高斯分量的方差。

所述步骤A2中，计算出每个类的均值μ₁,μ₂,…,μ_L和方差σ₁ ²,σ₂ ²,…,σ_L ²分别为：

其中，表示数据y_i由第l类生成的概率，表示高斯函数，表示属于第l类的信号个数，表示第l类的加权系数。

所述步骤B包括：

B1、由3层的稀疏贝叶斯学习方法引入的变量w,λ,γ,η，假设变量的先验分布函数f(w),f(λ),f(γ),f(η)；

B2、初始化各变量函数分布函数f(w),f(λ),f(γ),f(η)的参数值；

B3、根据稀疏贝叶斯学习算法原理，分别推导出变量w,λ,γ,η的更新公式；

B4、按照更新公式迭代更新每个变量的均值，每次更新都以上一次求得的变量均值作为本次迭代的初值；

B5、判断发射信号的均值是否达到收敛条件，如果未达到，则重复步骤B4；否则输出发射信号α的估计值

所述步骤B1中，各变量的先验分布函数如下：

其中，w表示混合高斯的加权系数矢量，L表示混合高斯的加权总数，λ表示混合高斯中方差的矢量，γ和η是稀疏贝叶斯学习方法引入的中间变量，Ga表示伽马分布函数，a_i，ε，c_i分别表示伽马分布的形状参数，b_i,η_i,d_i分别表示伽马分布的尺度参数。

所述步骤B3中，各变量w,λ,α,γ,η的更新公式如下：

其中，

i＝1,2,…L-1

其中，< >表示取均值，更新公式中的H是信道的等效矩阵，y是接收信号矢量，w_i表示混合高斯的加权系数矢量w的第i个分量，λ_i表示混合高斯中方差的矢量λ的第i个分量，γ_i和η_i分别表示γ和η的第i个分量，exp表示取指数函数，V(γ)只是为了表示方便而引入的中间变量，diag表示取对角矩阵，K_p+n和K_p分别是阶数为p+n和p的第二类修正贝塞尔函数，(y-H<α>)^H表示取向量y-H<α>的共轭转置，||y-H<α>||表示取向量y-H<α>的二范数。

本发明采用上述技术方案的有益效果在于：由以上提供的技术方案可以看出，本发明是考虑在非高斯噪声的条件下，利用用户发射信号的稀疏性和受干扰子载波的稀疏性，把多用户检测问题转化为稀疏信号恢复的问题。因此，本发明采用稀疏贝叶斯学习算法，通过基站接收信号的y₁,y₂,…,y_N,恢复出用户的发射信号本发明提供的多用户检测方法具有优良的抗干扰性能,既解决了远近效应问题，又降低了系统对功率控制精度的要求，因此可以更加有效地利用上行链路频谱资源,显著提高系统容量。

附图说明

图1为多用户检测方法的流程图；

图2为K个用户的NOMA上行链路多用户检测示意图；

图3为系统因子图；

图4为不同信噪比下三种算法的均方误差比较图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。

为了更加清晰说明本发明的目的、技术方案及优点，以下结合附图及实施例对本发明作进一步详细说明。应当理解，此处所述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

这里考虑的场景如图2，是一个包含1个基站，K个用户和N个子载波的NOMA上行链路。基站将接收到的信号进行OFDM解调处理后，可以得到第n个子载波的接收信号为:

其中，g_nk代表用户k在子载波n上的信道增益，s_nk代表扩频序列s_k的第n个分量，α_k代表第k个用户的传输信号，v_n代表子载波n上的噪声，服从混合高斯分布。

将N个子载波上的接收信号组合起来，那么基站的系统模型可以表示为：

y＝Hα+v

其中，y＝[y₁,y₂,…,y_N]^T代表N个接收信号矢量，H是信道的等效矩阵，大小为N×K，它的第n行的第k列的元素可表示为h_nk＝g_nk·s_nk，代表K个发射信号矢量，v＝[v₁,v₂,…,v_N]^T代表噪声矢量。

如图1所示，本发明多用户检测方法的一个实施例的流程图。该方法包括步骤如下:

S301,对基站接收信号y₁,y₂,…,y_N使用GMM聚类算法分为L类，计算出混合高斯加权模型总共加权个数L。具体的实现步骤如下：

A1、先给信号的L类选一个相对大的值(比如令L＝10)。

A2、使用GMM聚类算法把接收信号y₁,y₂,…,y_N聚成L类，并计算出每个类的均值μ₁,μ₂,…,μ_L和方差σ₁ ²,σ₂ ²,…,σ_L ²；

对于每个接收信号y_i来说，它由第l个类生成的概率为：

μ_l,σ_l ²先给定一个初始值，然后通过迭代法，取上一次迭代所得的值。

由于每一个类都是标准的高斯分布，可以利用最大似然法估计对应的参数值：

其中，表示属于第l类的信号个数，表示第l类的加权系数。

A3、检查是否有存在两个噪声分量十分类似，即

其中，门限值可以根据多次实验经验取值。取threshold1＝0.1，threshold2＝0.4。

如果满足以上两个条件，令L＝L-1。

A4、重复执行A2，A3两步，直至L的值不再变化，输出L值。

A5、对噪声v建立了一个混合高斯模型：

其中w_i是第i个高斯的加权系数，L是高斯分量的个数，λ_i ^-1I是第i个高斯分量的方差。

S302，假设各变量的先验分布，并初始化各变量分布函数的参数。

根据图3给出的一个3层的稀疏贝叶斯消息传递模型，引入变量w,λ,γ,η，考虑高斯加权个数L＝2的情况。根据基站的系统模型可知，接收信号y的概率密度函数为：

其中，w₁代表第一个高斯模型的加权系数，H代表信道的等效矩阵，α＝[α₁,α₂,…,α_K]^T代表K个用户的发射信号。

高斯加权系数w＝[w₁,w₂,…,w_L]的分布函数为：

高斯模型的方差λ的分布函数为：

其中，a_i,b_i分别表示伽马分布的形状参数和尺度参数。

为了控制发射信号α的稀疏度而引入两个中间变量γ，η，其分布函数分别为：

其中，ε，c_i表示伽马分布的形状参数，η_i,d_i表示伽马分布的尺度参数。

给定初始值，<w_i>从之间随机取一个，<λ_i>取接收信号y的样本方差的倒数，<γ_i ^-1>取用户总数K的倒数，a_i＝μ_i，b_i＝1，c_i＝1，d_i＝10^-6，ε＝0。

S303，根据稀疏贝叶斯学习算法原理，

这种思想可以转化为最小化KL散度实现。给定一个辅助函数q(Θ)，Θ＝{α,γ,η,λ₁,λ₂,w₁}。根据3层贝叶斯先验模型，

p(y,α,γ,η,λ₁,λ₂,w₁)＝p(y|α,λ₁,λ₂)p(λ₁)p(λ₂)p(w₁)p(α|γ)p(γ|η)p(η)

q(Θ)＝q(α)q(γ)q(η)q(λ₁)q(λ₂)q(w₁)

通过迭代最小化KL(q(Θ)||p(Θ|y))，我们可以得到发射信号估计值更新公式为：

其中，

i＝1,2,…L-1

其中，< >表示取均值，更新公式中的H是信道的等效矩阵，y是接收信号矢量，w_i表示混合高斯的加权系数矢量w的第i个分量，λ_i表示混合高斯中方差的矢量λ的第i个分量，γ_i和η_i分别表示γ和η的第i个分量，exp表示取指数函数，V(γ)只是为了表示方便而引入的中间变量，diag表示取对角矩阵，K_p+n和K_p分别是阶数为p+n和p的第二类修正贝塞尔函数，(y-H<α>)^H表示取向量y-H<α>的共轭转置，||y-H<α>||表示取向量y-H<α>的二范数。

迭代直至α前后两次迭代值之差小于0.00001，迭代终止。得到发射信号α的估计值。

S304，输出发射信号α的估计值

如图4所给出的在不同信噪比情况下，三种算法信号恢复的均方误差的比较，其中VMP是本发明所提出的目标算法，OMP是正交匹配追踪算法，BP是基追踪算法。从图中可以看出，目标算法比另外两种算法性能更优，特别是在高信噪比的条件下。

Claims (5)

1.一种多用户检测方法，其特征在于，包括下述步骤：

步骤A、将基站接收到的信号按照GMM聚类算法分为L类；给噪声建立一个由L个高斯加权的混合高斯模型；

步骤B、利用3层的稀疏贝叶斯学习方法，通过接收到的信号y₁,y₂,…,y_N，利用L个高斯加权的混合高斯模型恢复出发射信号α的估计值并输出该发射信号的估计值；

步骤A包括：

A1、先给信号的L类选一个相对大的值；

A2、使用GMM聚类算法把接收信号y₁,y₂,…,y_N聚成L类，并计算出每个类的均值μ₁,μ₂,…,μ_L和方差σ₁ ²,σ₂ ²,…,σ_L ²；

A3、检查是否有存在两个噪声分量十分类似，即

其中，threshold1,threshold2是聚类算法的预设门限值；

如果满足以上两个条件，令L＝L-1；

A4、重复执行A2，A3两步，直至L的值不再变化，输出L值；

A5、对噪声v建立了一个混合高斯模型：

其中w_i是第i个高斯的加权系数，L是高斯分量的个数，表示复高斯函数，λ_i ^-1I是第i个高斯分量的方差。

2.根据权利要求1所述的一种多用户检测方法，其特征在于，所述步骤A2中，计算出每个类的均值μ₁,μ₂,…,μ_L和方差σ₁ ²,σ₂ ²,…,σ_L ²分别为：

其中，表示数据y_i由第l类生成的概率，表示高斯函数，表示属于第l类的信号个数，表示第l类的加权系数。

3.根据权利要求1所述的一种多用户检测方法，其特征在于，所述步骤B包括：

B1、由3层的稀疏贝叶斯学习方法引入的变量w,λ,γ,η，假设变量的先验分布函数f(w),f(λ),f(γ),f(η)；

B2、初始化各变量分布函数f(w),f(λ),f(γ),f(η)的参数值；

B3、根据稀疏贝叶斯学习算法原理，分别推导出变量w,λ,α,γ,η的更新公式；

B4、按照更新公式迭代更新每个变量的均值，每次更新都以上一次求得的变量均值作为本次迭代的初值；

B5、判断发射信号的均值是否达到收敛条件，如果未达到，则重复步骤B4；否则输出发射信号α的估计值

4.根据权利要求3所述的一种多用户检测方法，其特征在于，所述步骤B1中，变量w,λ,γ,η的先验分布函数依次如下：

f(λ_i)＝Ga(λ_i|a_i，b_i)

f(γ_i)＝Ga(γ_i|ε，η_i)

f(η_i)＝Ga(η_i|c_i，d_i)

其中，w表示混合高斯的加权系数矢量，L表示混合高斯的加权总数，λ表示混合高斯中方差的矢量，γ和η是稀疏贝叶斯学习方法引入的中间变量，Ga表示伽马分布函数，a_i，ε，c_i分别表示伽马分布的形状参数，b_i,η_i,d_i分别表示伽马分布的尺度参数。

5.根据权利要求4所述的一种多用户检测方法，其特征在于，所述步骤B3中，各变量w,λ,α,γ,η的更新公式如下：

其中，

i＝1,2,…L-1

其中，<>表示取均值，更新公式中的H是信道的等效矩阵，y是接收信号矢量，w_i表示混合高斯的加权系数矢量w的第i个分量，λ_i表示混合高斯中方差的矢量λ的第i个分量，γ_i和η_i分别表示γ和η的第i个分量，exp表示取指数函数，V(γ)只是为了表示方便而引入的中间变量，diag表示取对角矩阵，K_p+n和K_p分别是阶数为p+n和p的第二类修正贝塞尔函数，(y-H<α>)^H表示取向量y-H<α>的共轭转置，||y-H<α>||表示取向量y-H<α>的二范数。